Enhancing Steganography in 256×256 Colored Images with U-Net: A Study on PSNR and SSIM Metrics with Variable-Sized Hidden Images
Notice bibliographique
Résumé
In digital communications, the imperative for secure data transmission is increasingly addressed through steganography, wherein information is clandestinely embedded within various digital media.This study is concerned with the enhancement of steganographic techniques through a modified U-Net architecture, designed to embed 256×256 colored message images into identically sized cover images, thereby augmenting capacity for data concealment.The classical U-Net architecture has been adapted by the incorporation of batch normalization and residual blocks, aiming to refine the embedding and extraction processes's efficiency.The novel model, trained on the expansive ImageNet database, introduces the one cycle learning rate scheduler and the AdamW optimizer into the U-Net framework, achieving enhanced training efficiency, hastened convergence, and superior generalization.Validation was conducted through two distinct analyses: the first evaluating the impact of secret image size variations on the cover image within the steganographic process, and the second assessing model performance on three datasets-Linnaeus 5, ImageNet, and Labeled Faces in the Wild (LFW).Empirical assessments indicate that the proposed model outperforms existing deep learning-based steganographic methods, as evidenced by the attained metrics, particularly Peak Signal-to-Noise Ratio (PSNR) and Structural Similarity Index Measure (SSIM).On the Linnaeus 5 dataset, embedding yielded a PSNR of 44.4656 dB and an SSIM of 0.9897, while extraction recorded a PSNR of 43.5393 dB and an SSIM of 0.9875.The ImageNet dataset saw an embedding PSNR of 45.3966 dB and an SSIM of 0.9906, with extraction values of 44.8206 dB PSNR and 0.9903 SSIM.Notably, the LFW dataset embedding resulted in a PSNR of 48.1407 dB and an SSIM of 0.9930, and extraction achieved a PSNR of 47.5296 dB and an SSIM of 0.9907.The qualitative and quantitative outcomes affirm the efficacy of the proposed method for the secure transmission of confidential imagery, with potential applications ranging from the safeguarding of medical records to the protection of sensitive data across various digital platforms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».